SUMO交通流仿真实战

理解、预测并最终减少城市路网中的交通拥堵是一个复杂的问题。即使了解最简单的单车道情况下出现的交通拥堵，也是具有挑战性的。SUMO是一个开源平台，可模拟复杂环境中的交通流。在这个教程里，我们将学习如何从零创建复杂的交通流模拟，使用网格上的流量案例研究来做这方面的工作，教程结构如下：

为什么要研究交通网络中的流量？
从SUMO开始
仿真网格网络中的交通流
关键流量性能指标分析
仿真现实交通的未来方向

1、为什么要研究交通网络中的流量？

在之前的一篇文章中，我讨论了第一篇论文，该论文最终展示了交通"幻象"冲击波是如何从无到有地产生的，除了驾驶员的互动。

在这里插入图片描述

最近的研究表明，简化自动驾驶车辆之间的交互可能会减少人为场景（如绕圈行驶的车辆）的交通堵塞。但是，当你有多条路时会发生什么，就像在典型的城市道路网中一样？有趣的是，仅仅通过更多的车道或更长的道路增加容量可能不会符合拟的预期。在另一篇文章中我展示了"Braess悖论"如何导致不寻常的结果，即增加城市网络中的道路数量，反而可能会使交通恶化！

在进行基建工程，例如兴建新道路、增加车道、红绿灯等前，必须实事求是地仿真交通流量，使项目有最好的机会成功缓解交通。将音乐会、体育赛事等重大活动或机场和医院等公共建筑纳入场景时，情况变得更加复杂。在不远的将来，重要的是要仿真网联车辆和智能交通技术创新的影响，以最好地发挥其在简化交通流量方面的潜力。

2、从SUMO开始

交通仿真似乎属于交通流研究人员或工程承包公司的细分社区。例如，Anylogic、VISSIM和Aimsun是提供交通流建模解决方案的公司。但是，SUMO 是公开的，并且很容易上手。

有多种方法来安装SUMO，但我更喜欢使用pip安装SUMO以及Python库，以便与SUMO交互。

python -m pip install sumo

就是这样！现在，让我们开始创建交通流量的首次仿真！

3、仿真网格中的交通流

在城市规划中，网格相当普遍。在 SUMO 中，我们设置了一个 5x5 网格，每条道路长度为 200 米，并设置了 3 条车道，如下所示：

netgenerate — grid — grid.number=5 -L=3 — grid.length=200 — output-file=grid.net.xml

接下来，我们使用位于SUMO主目录（sumo->tools）中的tools文件夹中的 randomTrips.py，为一定数量（示例中使用 200 辆车）的车辆生成随机行程。开始和结束时间表示车辆进入仿真的时间。我选择了 0&1，这意味着所有车辆在仿真的前 1 秒进入仿真。Period表示车辆的到达率。

randomTrips.py -n grid.net.xml -o flows.xml — begin 0 — end 1 — period 1 — flows 200

接下来，我们使用 SUMO 的 jtrrouter 生成单个车辆的路线，时间从 0 到 10000。

jtrrouter — flow-files=flows.xml — net-file=grid.net.xml — output-file=grid.rou.xml — begin 0 — end 10000 — accept-all-destinations

最后，为简单起见，我们希望保持恒定的车辆密度。最显而易见的方法是车辆随机驾驶，而不是退出仿真。为此，我们使用曼哈顿交通模型，在曼哈顿交通模型中，遇到交叉路口的车辆会根据设定的概率选择直行、左路或右行。在 SUMO 中默认情况下，车辆一旦到达目的地就退出仿真。但是，SUMO也有曼哈顿模型的实现，使用连续变道Python脚本。

generateContinuousRerouters.py -n grid.net.xml — end 10000 -o rerouter.add.xml

接下来，我们创建一个SUMO配置文件，以便在 SUMO 中运行仿真，该文件是具有某些属性的.xml文件，包含网络文件的名称、路由文件和其他变道文件，供车辆在仿真中停留，直到仿真完成。我们定义输出文件，以便在交通仿真期间存储详细的车辆信息。

<configuration><input><net-file value=”grid.net.xml”/><route-files value=”grid.rou.xml”/><additional-files value=”rerouter.add.xml”/></input><time><begin value=”0"/><end value=”10000"/></time><output><fcd-output value=”grid.output.xml”/></output>
</configuration>

最后，我们将在终端中运行如下仿真。Peroid表示保存数据的时间间隔 - 100 表示每 100 个时间步保存车辆信息，即速度和位置。

sumo-gui -c grid.sumocfg — device.fcd.period 100

运行上面命令将弹出 SUMO GUI，你可以看到仿真：
在这里插入图片描述

车辆颜色表示其速度从最慢（红色）到最快（绿色）。

4、多次运行交通仿真

手动更改参数并输出文件是相当烦人的。如果你要运行100+次仿真探索不同的参数，如车辆数量，交通是如何变化的，然后的多个运行的统计平均。

为此，我使用操OS模块在命令提示上与python交互：

def initialize(grids=5,lanes=3,length=200):os.system("netgenerate --grid --grid.number=5 -L="+str(lanes)+" --grid.length="+str(length)+" --output-file=grid.net.xml")def single(path,vehicles):os.system(path + "randomTrips.py -n grid.net.xml -o flows.xml --begin 0 --end 1 --period 1 --flows "+str(vehicles))os.system("jtrrouter --flow-files=flows.xml --net-file=grid.net.xml --output-file=grid.rou.xml --begin 0 --end 10000 --accept-all-destinations")os.system(path + "generateContinuousRerouters.py -n grid.net.xml --end 10000 -o rerouter.add.xml")tree = ET.parse("grid.sumocfg")root = tree.getroot()for child in root:if (child.tag == 'output'):for child2 in child:child2.attrib['value'] = 'grid.output'+str(vehicles)+'.xml'with open('grid.sumocfg', 'wb') as f:tree.write(f)os.system("sumo -c grid.sumocfg --device.fcd.period 100")if __name__ == '__main__':import osimport numpy as npimport analysisfrom matplotlib import pyplot as pltimport xml.etree.ElementTree as ETpath = "C:\\Users\\BLAH\\AppData\\Local\\Programs\\Python\\Python39\\Lib\\site-packages\\sumo\\tools\\"initialize()vehicles_arr=np.r_[np.linspace(10,100,10).astype(int),np.linspace(100,2000,20).astype(int)]for i in range(0,len(vehicles_arr)):single(path,vehicles_arr[i])

5、分析

SUMO xml 输出包含每个时间步的单个车辆时间、位置和速度的信息。我希望分析速度是如何依赖车辆密度，或仿真中的车辆数量 - 基本上在每一个时间步获得速度，然后在仿真的所有车辆上进行平均。

def textify(vehicles):tree = ET.parse("grid.output"+str(vehicles)+".xml")root = tree.getroot()l = 0for child in root:for child2 in child:l += 1c = 0t = 0a = ''speeds = np.zeros(l)times = np.zeros(l)ids = np.zeros(l)for child in root:for child2 in child:# print(child2.tag, child2.attrib)if (child2.tag == 'vehicle'):a = (child2.attrib)speeds[c] = np.float(a['speed'])ids[c] = np.float(a['id'])times[c] = tc = c + 1t = t + 1# print(t)data = np.c_[ids, times, speeds]tt = len(np.unique(data[:, 1]))vel = np.zeros(tt)nc = np.zeros(tt)flux = np.zeros(tt)for i in range(0, tt):w = np.where(data[:, 1] == i)vel[i] = np.mean(data[w, 2])nc[i] = len(w[0])flux[i] = np.sum(data[w, 2])velm = np.c_[nc, vel, flux]np.savetxt('velm'+str(vehicles)+'.txt',velm)

最后，绘制速度 - 密度图，其中每个仿真运行都有单独的密度：

import numpy as np
from matplotlib import pyplot as plt
def plots(vehicles):vel=np.zeros(len(vehicles))nc=np.zeros(len(vehicles))flux=np.zeros(len(vehicles))for i in range(0,len(vehicles)):txt=np.loadtxt('velm'+str(vehicles[i])+'.txt')nc[i] = np.mean(txt[95:100, 0])vel[i] = np.mean(txt[95:100, 1])flux[i]=np.mean(txt[95:100,2])print(nc[i],vel[i],flux[i])fig=plt.figure()plt.plot(nc/3000,vel,'o')plt.plot(nc / 3000, vel, color='k')plt.xlabel('Density')plt.ylabel('Velocity')plt.tight_layout()plt.savefig('vel-density.png',dpi=600)#plt.show()fig=plt.figure()plt.plot(nc / 3000,flux,'o',label='Traffic Simulation')plt.plot(nc / 3000, flux, color='k')plt.plot(vehicles/3000,vehicles*vel[0],'r--',label='No Interaction')plt.ylim(0,2800)plt.legend()plt.xlabel('Density')plt.ylabel('Flux')plt.tight_layout()plt.savefig('flux-density.png', dpi=600)

在这里插入图片描述

正如你所看到的，随着密度的增加，速度会降低。这是因为仿真中的车辆越多，拥塞越多，导致行驶速度降低。这是我们大家在高速公路上看到的东西，尤其是在高峰时段。

交通仿真中另一个常用的参数是通量。正如我在上一篇文章中所讨论的，通量衡量每次通过给定点的车辆数量，是衡量车辆吞吐量的指标。通量公式为：
在这里插入图片描述

上述公式汇总长度 L 内的所有车辆的速度，以及车道数量 n_l。

在低密度下，每辆车基本上都是在限速行驶，因此通量会随着密度的直线增加（下面图中的红线）。但是，在密度较高时，车辆不能在限速行驶，在某一点上，以较小的速度行驶的每辆车都会抵消车辆数量较多的影响，从而减少通量。在特征密度（此模拟中为 +0.1= 0.2）之上，会出现交通堵塞，并且通量随着密度降低而减小。
在这里插入图片描述

6、仿真真实的交通

我已经演示了如何使用 SUMO+Python 在具有代表性的网格中设置基本的交通仿真和合奏运行。然而，这绝不是对城市交通网络的全面仿真。在最近的一项研究中，利用OpenStreetMap和OSMnx，发现了城市网格的一些特点。SUMO 包括通过将 OpenStreetMap数据转换为 SUMO.net文件来仿真城市街道网络中的流量。

但是，除了现实城市网络上的仿真之外，还有校准这些交通仿真以匹配日常交通模式的问题。为了与日常生活中看到的详细交通模式相匹配，人们需要考虑进入道路的人的起伏，他们何时进入，何时/何地离开。这是一个极其复杂的问题，因为不可能知道每一个车辆的轨迹。现在，许多车辆将 GPS 数据传输给 INRIX 和 HERE这样的公司。Google和Apple等公司利用手机数据来获得稀疏的位置和速度信息。但是，这只能提供整个人口的一小部分信息。交通流是一个高度非线性的问题：这意味着小的变化可能会产生极端的后果。

同时，我们希望交通流仿真结果在不同的初始条件下是可靠的。结果应清楚地表明，对于各种情况，建议的项目是否具有显著的交通流改善。拥有详细的大规模交通仿真是一项挑战，这些仿真在可行的时间内运行，并且是现实的。

在 SUMO 页面上，只有少数这样的现实场景。页面顶部如下文字：